个人理解：利用Python数据分析-----算术与数据索引对齐

@[TOC] 个人理解：Python数据分析-----算术与数据索引对齐

写作缘由：使用pandas库的Series与DataFrame时，想到如果索引数或列数不同，且要进行合并或者拆分时会不会出现NaN值并顺带影响后续的计算操作，今学习完算术与数据对齐的章节，分享一下个人的理解。

准备工作

• 代码示例来源于大名鼎鼎的O’reilly动物的《利用Python进行数据分析》
• Jupyter notebook
• 已装好pandas库
• 对pandas库的Series与DataFrame有基本的理解
• 500ml水

引入完毕用到的库后，在jupyter notebook创建两个Series对象

import pandas as pd
import numpy as np
from pandas import Series,DataFrame

s1 = pd.Series([7.3, -2.5, 3.4, 1.5],
              index = list('acde')
s2 = pd.Series([-2.1, 3.6, -1.5, 4, 3.1],
              index = ['a', 'c', 'e', 'f', 'g'])

相信不少朋友在一开始添加相应索引的时候都会感到厌烦，index = [‘a’, ‘c’, ‘e’, ‘f’, ‘g’] 这样的写法是在有点消耗青春，其实简简单单的一个list()函数即可自动拆解成单，当然前提是每个索引值都是仅为单(单个字母，单个数字等)

输出s1，s2的结果为：

这里我把他们放在一起

将s1与s2对象相加

下面用纸笔呈现一下我个人的思考过程

DataFrame

先来回顾一下DataFrame的概念：DataFrame表示的是矩阵的数据表，它包含已排序的列集合，每一列可以实不同的值类型(数值，字符串，布尔值等)。DataFrame既有行索引也有列索引，它可以被视为一个共享相同索引的Series的字典。在DataFrame中，数据被存储为一个以上的二维块，而不是列表、字典或其他一维数组的集合。
尽管DataFrame是二维的，但我们依然可以利用分层索引在DataFrame中展现更高维度的数据，分层索引是pandas中一种更为高级的数据处理特性，所以在这里更推荐使用jupyter notebook，能产生友好的html表格！！

先创建两个DataFrame对象

df1 = pd.DataFrame(np.arange(9.).reshape((3,3)), columns = list('bcd'), 
                   # 这样写columns与index索引简便多了，巧用list()列表函数
                  index = ['Ohio', 'Texas', 'Colorado'])

df2 = pd.DataFrame(np.arange(12.).reshape((4,3)), columns = list('bde'),
                  index = ['Utah', 'Ohio', 'Texas', 'Oregon'])

当然，用上刚刚聊到的list()拆分单个索引的方法哈

相加得

因为DataFrame是一个以上的二维块，所以我在刚开始理解的时候有点卡壳，所以喝了100ml水后，再次动用纸笔。理解如下

因为DataFrame会为不是共有的列或行创建“列或行”，就像Series那样，只不过创建后的值都是NaN，所以我们在理解初期可以试着列一下
z
再对比一下jupyter notebook的生成结果

看来就是对了。